新 AI 模型在短短 30 毫秒内精确模拟宇宙

为了解释我们宇宙的演化，科学家需要大量的模拟来从天空观测中提取信息。该过程涉及在数十亿年的庞大体积中使用精确的物理模型评估数十亿个粒子。

天体物理学家通常使用一种称为 N 体模拟的方法来预测宇宙的结构形成。但该方法计算量大。

现在，美国的一组研究人员开发了一种新模型——一种替代 N 体模拟的模型——来生成复杂的宇宙 3D 模拟。它使用深度学习技术在更短的时间内输出更准确的结果。

名为深度密度位移模型（D3M）的神经网络在一组宇宙学参数上进行训练。

除了提供快速准确的结果外，它还可以精确模拟如果特定参数发生变化（例如宇宙中暗物质的数量），我们的宇宙会是什么样子，尽管该模型从未在这些参数发生变化的数据上进行过训练。

D3M 模拟重力（最重要的力）对我们宇宙的影响。它计算了这种力如何在整个宇宙演化过程中移动数十亿个单个粒子。

参考：PNAS | DOI:10.1073/pnas.1821458116 |西蒙斯基金会

研究人员对 D3M 进行了大约 8,000 种来自最精确现有模型的不同模拟的训练。支持 D3M 的深度神经网络逐渐学会在更短的时间内产生更准确的结果。

一旦模型经过训练，天体物理学家就对一个 6 亿光年宽的方形宇宙进行了模拟。然后，他们将结果与现有的最先进模型进行了比较。

新模型（D3M）与二阶拉格朗日微扰理论（2LPT）生成的N体模拟精度对比。以百万光年为单位的平均位移误差由网格中的不同颜色表示。

准确而缓慢的方法需要数百小时才能模拟宇宙，而快速方法需要几分钟，而 D3M 只需 30 毫秒即可运行模拟。

与现有的相对误差为 9.3% 的快速方法相比，D3M 产生了更准确的结果，相对误差为 2.8%。

该模型的真正特别之处在于其处理未包含在训练数据集中的宇宙学参数变化的卓越能力。

在下一项研究中，研究人员还将尝试模拟其他力，包括流体动力学。增加更高分辨率的模拟可以进一步提高模型的复杂度。

阅读：宇宙膨胀速度比预期快 9% |新测量

此外，他们将分析 D3M 的工作机制，以了解它为何推断得如此好。这可能真的有利于机器学习方法的进步。

工业技术